【NeurIPS2025】有何不同于过去？基于自监督偏差学习的时空时间序列预测

主要观点总结

本文介绍了一种新的时空时间序列预测框架ST-SSDL，该框架通过引入自监督偏差学习机制来捕获并利用动态偏差信息。ST-SSDL使用可学习原型对潜在空间进行离散化，并设计了两个辅助目标：对比损失和偏差损失，以优化模型结构。实验结果表明，ST-SSDL在多个数据集上的预测性能显著优于当前最先进的基线方法。同时，文章还提供了项目代码和数据集的获取链接。

关键观点总结

关键观点1: 时空预测的重要性

时空预测在交通管理、城市计算等现实应用中有关键作用。尽管近年来预测精度有所提升，但许多方法未能充分考虑当前输入与历史模式间的动态偏差。

关键观点2: ST-SSDL框架的提出

文章提出了一种新的时空时间序列预测框架ST-SSDL，通过自监督偏差学习机制捕获动态偏差信息，使用可学习原型对潜在空间进行离散化。

关键观点3: ST-SSDL的优化策略

为优化ST-SSDL结构，设计了两个辅助目标：对比损失和偏差损失。这些组件与主预测目标联合优化，共同引导模型在隐藏空间中形成结构化的模式组织，提升在多样输入条件下的泛化能力。

关键观点4: 实验与可视化分析

在六个基准数据集上的实验结果表明ST-SSDL的预测性能显著优于当前最先进的基线方法。可视化分析进一步验证了该方法在复杂时空场景中对不同偏差程度的自适应响应能力。